一、课程导论与鲁棒性基础

各位同学，大家好。我是你们这门课的主讲人。在正式开始之前，我想先聊聊我为什么特别想做这门课。

做机器人路径规划这些年，我踩过不少坑。最让我印象深刻的，是几年前一个AGV项目。当时在实验室跑得稳稳当当的算法，一上产线就各种抽风。传感器稍微抖一下，路径就偏了；工人推个车经过，机器人直接愣在原地。说白了，就是不够「皮实」。

这个「皮实」，在咱们专业领域里，就叫鲁棒性。今天这第一讲，我们就来把鲁棒性的底子打牢。

先问个问题：全局规划和局部规划，区别在哪？

全局规划，好比给你一张地图，告诉你从北京到上海走哪条高速。它只管大方向，不管路上有没有坑。而局部规划，是你在高速上开车时，前面突然有块石头，你得在零点几秒内打方向盘躲开。

局部路径规划的核心任务，就是实时、安全地避开动态障碍物，同时尽量靠近全局路径。它只关心「眼前几米」的事，但要求反应极快。

我个人的习惯是，把局部规划比作「驾驶员的肌肉记忆」。你不能等大脑想清楚再动，身体得先动起来。算法也一样，必须快、准、稳。

很多刚入行的同学，喜欢把精力花在「路径多平滑」、「速度多快」上。这当然重要，但我要说一句：没有鲁棒性，精度就是零。

鲁棒性，说白了就是系统在「被干扰」的情况下，还能不能正常工作。你想想看，一个算法在仿真里跑出花来，一上真机就撞墙，那有什么用？

我在项目中遇到过最典型的例子：某款激光雷达在强光下会丢数据。如果算法不做鲁棒性处理，机器人就会突然「失明」，然后一头撞上货架。后来我们加了传感器融合和异常检测，才算把这个问题按住。

  鲁棒性的定义：系统在存在不确定性（噪声、干扰、模型误差）时，仍能维持预期功能的能力。

这里的不确定性，主要来自三个方面：

嗯，这里要注意：这三种干扰往往同时出现。比如在仓库里，光线暗、叉车多、地面还有油污。你的算法必须能扛住这种「组合拳」。

我们一个一个来看。

这是最基础的干扰。任何传感器都有噪声，只是大小不同。激光雷达的噪声通常服从高斯分布，但偶尔会出现「飞点」——就是突然冒出一个离谱的距离值。

我曾经因为一个飞点，让机器人对着空气绕了个大圈。后来加了个简单的中值滤波，问题就解决了。你看，有时候解决方案并不复杂，关键是你得知道问题在哪。

这是局部规划最头疼的问题。静态障碍物好办，地图上有就是有。但动态障碍物，你永远不知道它下一秒要干嘛。

我建议的处理思路是：不要预测太远。预测未来3秒就够了，再远基本是瞎猜。把精力放在「当前帧的快速反应」上，比花里胡哨的预测模型更实用。

这个容易被忽略。很多算法在固定场景里跑得飞起，换个地方就废了。比如从室内到室外，光照变了，视觉SLAM可能直接崩掉。

应对环境变化，核心思路是自适应。参数不能写死，要根据实时数据动态调整。我在做扫地机器人时，就发现不同地板材质对里程计的影响很大。后来加了个在线参数辨识，才算搞定。

这门课的目标很明确：让你能写出「上得了台面」的局部路径规划算法。什么叫上得了台面？就是拿到真实场景里，能稳定运行，不出幺蛾子。

具体来说，学完这门课，你应该能做到：

我们的学习路径是这样的：

先打基础（第1-5章），把鲁棒性的概念和评价体系建立起来。然后进入算法实战（第6-20章），每个算法我都会带着你们从原理到代码，再到鲁棒性增强。最后是工程落地（第21-30章），讲测试、调参、部署这些真刀真枪的东西。

下面这张图，是本章的知识体系框架，你可以先有个整体印象：

给新人的建议：如果你刚开始接触局部规划，别急着调参。先把传感器噪声的特性摸清楚。我见过太多人花两周调参数，结果发现是激光雷达的安装角度歪了。先诊断，再治疗。

避坑指南：千万不要在仿真里过度优化。仿真环境太干净了，噪声模型太理想。我曾经在Gazebo里跑得完美的算法，上真机就翻车。后来我养成了习惯：仿真只做功能验证，鲁棒性测试必须上真机。

好了，这一讲的内容就到这里。鲁棒性不是锦上添花，而是生死攸关。后面的每一章，我们都会围绕「如何让算法更皮实」这个核心来展开。

记住：一个鲁棒的算法，不是不出错，而是出错后还能优雅地恢复。这是我这十几年总结出来的最朴素的真理。

可可精品资料库